C++前缀和算法:合并石头的最低成本原理、源码及测试用例(一)

简介: C++前缀和算法:合并石头的最低成本原理、源码及测试用例

本文涉及的基础知识点

C++算法:前缀和、前缀乘积、前缀异或的原理、源码及测试用例 包括课程视频

动态规划,日后完成。

题目

有 n 堆石头排成一排,第 i 堆中有 stones[i] 块石头。

每次 移动 需要将 连续的 k 堆石头合并为一堆,而这次移动的成本为这 k 堆中石头的总数。

返回把所有石头合并成一堆的最低成本。如果无法合并成一堆,返回 -1 。

示例 1:

输入:stones = [3,2,4,1], K = 2

输出:20

解释:

从 [3, 2, 4, 1] 开始。

合并 [3, 2],成本为 5,剩下 [5, 4, 1]。

合并 [4, 1],成本为 5,剩下 [5, 5]。

合并 [5, 5],成本为 10,剩下 [10]。

总成本 20,这是可能的最小值。

示例 2:

输入:stones = [3,2,4,1], K = 3

输出:-1

解释:任何合并操作后,都会剩下 2 堆,我们无法再进行合并。所以这项任务是不可能完成的。.

示例 3:

输入:stones = [3,5,1,2,6], K = 3

输出:25

解释:

从 [3, 5, 1, 2, 6] 开始。

合并 [5, 1, 2],成本为 8,剩下 [3, 8, 6]。

合并 [3, 8, 6],成本为 17,剩下 [17]。

总成本 25,这是可能的最小值。

提示:

n == stones.length

1 <= n <= 30

1 <= stones[i] <= 100

2 <= k <= 30

分析

dp[begin][end]记录stones[begin,end)合并后的最小得分。时间复杂度O(nnn),状态数:n*n,转移状态时间复杂度O(n)。

状态转移

假定stones[begin,end)是由stone[begin,m)和stone[m,end)合并成的,m取值范围(begin,end)。stone[begin,m)简称左堆,stone[m,end)简称右堆。

左右两堆剩余石头数之和小于k dp[begin][end] = dp[begin][m]+dp[m][end]
左右两堆剩余石头数之和等于于k dp[begin][end] = dp[begin][m]+dp[m][end]+vPreSum[begin][end],石头发生了合并
左右两堆剩余石头数之和大于于k 抛弃

左右两堆剩余石头数之和大于于k

抛弃左右两堆剩余石头数之和大于于k,也可以找到最优解。

最后一轮 只有k个石头,故不会超过k
倒数第二轮 只有2k-1个石头,假定其范围是[i0,j0),倒数第二轮是[i1,j1), 那么[i0,j0)会合并,这时两堆石头恰好是k,故不会超过k

剩余石头数

每次合并后,石头数减少k-1。所有石头数减1,再对k-1求求余,再加1。

注意:先判断石头数是否是1,不是直接返回-1。

代码

核心代码

class Solution {
public:
  int mergeStones(vector<int>& stones, int K) {
    m_c = stones.size();
    if (1 != RemainLen(m_c,K))
    {
      return -1;
    }
    vector<int> vPreSum = { 0 };
    for (const auto& n : stones)
    {
      vPreSum.emplace_back(n + vPreSum.back());
    }
    vector<vector<int>> dp(m_c,vector<int>(m_c+1));//dp[i][j] 表示合并stones[i,j)的最小成本
    for (int len = 2; len <= m_c; len++)
    {
      for (int begin = 0; begin + len <= m_c; begin++)
      {
        const int end = begin + len;
        int iMin = INT_MAX;
        for (int m = begin + 1; m < end; m++)
        {
          const int iAdd = RemainLen(m - begin, K) + RemainLen(end - m, K);
          if (iAdd > K)
          {
            continue;
          }
          int cur = dp[begin][m] + dp[m][end];
          iMin = min(iMin, cur);
        }
        if (1 == RemainLen(len, K))
        {
          iMin += vPreSum[end] - vPreSum[begin];
        }
        dp[begin][end] = iMin;
      }     
    }
    return dp.front().back();
  }
  int RemainLen(int len, int k)
  {
    return 1+(len - 1) % (k - 1);
  }
  int m_c;
};

测试代码

template<class T>
void Assert(const vector<T>& v1, const vector<T>& v2)
{
  if (v1.size() != v2.size())
  {
    assert(false);
    return;
  }
  for (int i = 0; i < v1.size(); i++)
  {
    assert(v1[i] == v2[i]);
  }
}
template<class T>
void Assert(const T& t1, const T& t2)
{
  assert(t1 == t2);
}
int main()
{
  vector<int> stones = { 3,5,1,2,6 };
  int k = 3;
  int res = Solution().mergeStones(stones, k);
  Assert(25, res);
  stones = { 3,2,4,1 };
   k = 2;
   res = Solution().mergeStones(stones, k);
  Assert(20, res); 
  stones = { 1,2,3,4,5,6,7 };
  k = 3;
  res = Solution().mergeStones(stones, k);
  Assert(49, res);
  stones = { 1,2,3,4,5,6,7 };
  k = 4;
  res = Solution().mergeStones(stones, k);
  Assert(38, res);
  stones = { 1,2,3,4,5,6,7,8,9 };
  k = 5;
  res = Solution().mergeStones(stones, k);
  Assert(60, res);
  //
  stones = { 9, 8, 7, 6, 5, 4, 3, 2, 1 };
  k = 2;
  res = Solution().mergeStones(stones, k);
  Assert(135, res);
  stones = { 9,8,7,6,5,4,3,2,1 };
  k = 3;
  res = Solution().mergeStones(stones, k);
  Assert(87, res);
  stones = { 10,9,8,7,6,5,4,3,2,1 };
  k = 4;
  res = Solution().mergeStones(stones, k);
  Assert(91, res);
  //
  stones = { 5,8,7,6,5,12,13,14,4,3,2,1,2 };
  k = 4;
  res = Solution().mergeStones(stones, k);
  Assert(155, res);
  stones = { 2,8,7,6,5,12,13,14,4,3,2,1,2 };
  k = 5;
  res = Solution().mergeStones(stones, k);
  Assert(119, res);
  //CConsole::Out(res);
}

相关文章
机器学习/深度学习 算法 自动驾驶
1226 0
|
7月前
|
机器学习/深度学习 算法 搜索推荐
从零开始构建图注意力网络:GAT算法原理与数值实现详解
本文详细解析了图注意力网络(GAT)的算法原理和实现过程。GAT通过引入注意力机制解决了图卷积网络(GCN)中所有邻居节点贡献相等的局限性,让模型能够自动学习不同邻居的重要性权重。
1294 0
从零开始构建图注意力网络:GAT算法原理与数值实现详解
|
8月前
|
传感器 算法 定位技术
KF,EKF,IEKF 算法的基本原理并构建推导出四轮前驱自主移动机器人的运动学模型和观测模型(Matlab代码实现)
KF,EKF,IEKF 算法的基本原理并构建推导出四轮前驱自主移动机器人的运动学模型和观测模型(Matlab代码实现)
249 2
|
8月前
|
算法
离散粒子群算法(DPSO)的原理与MATLAB实现
离散粒子群算法(DPSO)的原理与MATLAB实现
375 0
|
9月前
|
机器学习/深度学习 人工智能 编解码
AI视觉新突破:多角度理解3D世界的算法原理全解析
多视角条件扩散算法通过多张图片输入生成高质量3D模型,克服了单图建模背面细节缺失的问题。该技术模拟人类多角度观察方式,结合跨视图注意力机制与一致性损失优化,大幅提升几何精度与纹理保真度,成为AI 3D生成的重要突破。
1131 0
|
9月前
|
算法 区块链 数据安全/隐私保护
加密算法:深度解析Ed25519原理
在 Solana 开发过程中,我一直对 Ed25519 加密算法 如何生成公钥、签名以及验证签名的机制感到困惑。为了弄清这一点,我查阅了大量相关资料,终于对其流程有了更清晰的理解。在此记录实现过程,方便日后查阅。
1142 1
|
9月前
|
算法 数据可视化 数据挖掘
基于EM期望最大化算法的GMM参数估计与三维数据分类系统python源码
本内容展示了基于EM算法的高斯混合模型(GMM)聚类实现,包含完整Python代码、运行效果图及理论解析。程序使用三维数据进行演示,涵盖误差计算、模型参数更新、结果可视化等关键步骤,并附有详细注释与操作视频,适合学习EM算法与GMM模型的原理及应用。
|
9月前
|
机器学习/深度学习 存储 算法
强化学习算法基准测试:6种算法在多智能体环境中的表现实测
本文系统研究了多智能体强化学习的算法性能与评估框架,选用井字棋和连珠四子作为基准环境,对比分析Q-learning、蒙特卡洛、Sarsa等表格方法在对抗场景中的表现。实验表明,表格方法在小规模状态空间(如井字棋)中可有效学习策略,但在大规模状态空间(如连珠四子)中因泛化能力不足而失效,揭示了向函数逼近技术演进的必要性。研究构建了标准化评估流程,明确了不同算法的适用边界,为理解强化学习的可扩展性问题提供了实证支持与理论参考。
443 0
强化学习算法基准测试:6种算法在多智能体环境中的表现实测
|
10月前
|
消息中间件 存储 缓存
zk基础—1.一致性原理和算法
本文详细介绍了分布式系统的特点、理论及一致性算法。首先分析了分布式系统的五大特点:分布性、对等性、并发性、缺乏全局时钟和故障随时发生。接着探讨了分布式系统理论,包括CAP理论(一致性、可用性、分区容错性)和BASE理论(基本可用、软状态、最终一致性)。文中还深入讲解了两阶段提交(2PC)与三阶段提交(3PC)协议,以及Paxos算法的推导过程和核心思想,强调了其在ZooKeeper中的应用。最后简述了ZAB算法,指出其通过改编的两阶段提交协议确保节点间数据一致性,并在Leader故障时快速恢复服务。这些内容为理解分布式系统的设计与实现提供了全面的基础。